[发明专利]一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法

说明书

本发明提供一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；构建时序外推预测器：所述时序外推预测器包括卷积神经网络一次自编码器、基于专家知识的人工时域特征提取器，以及基于SAE的二次自编码器；所述时序外推预测器将所述训练数据集进行融合得到融合特征，而且所述二次自编码器对所述融合特征进行二次编码，而后再将二次编码特征与标签数据建立映射关系；综合训练所述卷积神经网络一次自编码器和所述时序外推预测器，得到训练好的时序外推预测器；以及利用训练好的时序外推预测模型对对已有数据进行预测。

技术领域

本发明涉及电动液压舵机的退化趋势预测，特别是涉及一种电动液压舵机参数退化时序外推预测。

背景技术

电动液压舵机系统是一种复杂的机电一体化系统，同时也是一种高精度的位置伺服系统，对飞行器的姿态控制具有重要影响。随着科学技术的不断发展，先进航空器广泛采用速度快、精度高、功率重量比大的全数字化伺服舵机系统。当代工程应用对舵机的可靠性提出了更高的要求。舵机关键参数退化过程预测是舵机可靠性研究的一个重要方面。精准预测舵机关键参数未来时间序列，把握参数变化趋势规律，对于合理安排维修计划、提高飞行品质、保障飞行安全、降低全寿命周期费用等具有重要意义。传统的时序外推预测方法通常采用时间序列分解的策略，通过将时间序列分解为趋势项、季节项、残差项等分别进行预测，最后融合各项预测结果得到参数的时序外推预测序列。然而，对于电动液压舵机这样的复杂机电系统，其退化过程往往表现出非线性，导致其退化参数的时间序列往往难以依照传统方法进行有效分解，给舵机关键参数未来时序预测问题带来了很大困难。

为了解决该问题，提出了一种基于人工特征与卷积特征二次自编码融合机制的电动液压舵机参数退化时序外推预测方法。该方法结合人工时域特征与卷积深度特征，通过二次自编码机制实现特征融合，可以将原始参数的时序依赖关系与变化趋势直接映射到隐层深度特点当中，避免了传统方法中序列分解的问题，为电动液压舵机关键参数退化时序的外推预测问题提供了更实用的方法。

发明内容

为了解决现有技术所存在的问题，本发明提出一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法。

根据本发明的一个方面，提供一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；构建时序外推预测器：所述时序外推预测器包括卷积神经网络一次自编码器、基于专家知识的人工时域特征提取器，以及基于SAE的二次自编码器；所述时序外推预测器将所述训练数据集进行融合得到融合特征，而且所述二次自编码器对所述融合特征进行二次编码，而后再将二次编码特征与标签数据建立映射关系；综合训练所述卷积神经网络一次自编码器和所述时序外推预测器，得到训练好的时序外推预测器；以及利用训练好的时序外推预测模型对对已有数据进行预测。

优选地是，所述时序外推预测模型以原始的训练数据集作为输入，首先基于人工时域特征提取器进行人工特征提取，利用经过预训练的卷积神经网络特征提取模型对原始的训练数据集进行卷积特征提取，然后对卷积特征与人工时域特征进行特征融合，并将训练数据标签S_trainy作为时序外推预测模型输出，以此完成外推预测器模型的训练。

优选地是，对所述已有数据进行预测时，对于长度为w的输入数据，其预测数据长度为W-w，截取已有数据中长度为2w-W的数据段与预测数据进行拼接，以此作为新一轮预测的输入，不断往复迭代知道达到人为预设的预测长度L_p，则预测结束。

优选地是，将经过综合预处理得到的验证集数据送入所述时序外推预测模型，结合相应的预测指标，完成模型的预测性能评估。